机构名称：
¥ 1.0
侵入性植物物种对本地生态系统构成了重大威胁，绘制其分布对于有效的管理和保护工作至关重要。本研究使用遥感图像比较了不同机器学习技术在侵入性植物物种Spathodea Campanulata的多光谱特征中的性能。使用随机抽样技术收集了基于地面的植被的位置数据，并从Sentinel-2获取了卫星图像。结果表明，使用机器学习技术，蓝色，绿色，红色，红色和近红外带可有效区分侵入性S. campanulata，不蔬菜和其他植被。支持向量机（SVM）技术达到了80％的最高总体准确性，其次是随机森林（RF），为73％和K-Nearest邻居（KNN），占66％。高斯混合模型（GMM）技术的总体准确性最低为53％。SVM和RF在预测和观察的类之间显示出很大的一致性，而KNN显示中度一致，GMM的一致性差。SVM产生的地图描述了研究区域北部地区的侵入性植物物种的分布。相比之下，南部地区（包括蒂莫兰山的保护区）显示出s。campanulata的密集存在，表明该物种正在进行的入侵。这强调了有效管理和保护工作的必要性，以减轻侵入性植物物种对本地生态系统的负面影响。
比较多光谱的机器学习...
主要关键词
相关文件推荐
